半监督学习在计算机视觉领域发挥着重要的作用,主要是在有标记样本稀缺的情况下,发挥未标记样本的作用,共同优化模型,解决了现实生活中有标记样本获取困难、耗费大量资源等问题,具有很高的应用价值。在半监督学习算法中,由于有标记样本数量有限,容易导致过拟合,以及伪标签标记错误的问题,破坏模型分类性能。因此,本文针对半监督分类算法中的过拟合问题,以及在模型训练过程中,伪标记错误的问题,在集成深度网络框架的基础上,提出了一种结合分歧融合决策的半监督分类算法以及基于伪标记样本加权和相互学习的半监督分类算法,主要研究工作如下:1.为了缓解半监督分类算法中的过拟合问题,提出一种结合分歧融合决策的半监督分类算法。首先通过mixup数据增强方法扩充初始有标记样本集,分别对三个分类器进行初始化;再利用每个分类器对未标记样本的预测值,通过一种基于分歧的融合决策规则,对集成系统中各学习器之间的分歧进行量化,计算相应的伪标签置信度和样本权重,筛选出各自的高置信伪标记样本集,对训练集进行扩充。最后,将mixup数据增强与一致正则技术相结合,对每个分类器进行动态重加权训练和一致性正则化,缓解过拟合问题,提升模型泛化性能。在MNIST、SVHN和CIFAR10数据集上的实验结果显示,相比于其他半监督分类模型,所提出的方法分类精度更高。2.在基于伪标记的半监督学习算法中,由于训练初期模型性能受限,容易出现伪标签错误的问题。如果不能得到及时地纠正,会对模型造成不良影响。为了改善上述方法的不足,纠正预测错误的伪标签,提出一种基于伪标记样本加权和相互学习的半监督分类算法。该算法以集成深度网络模型为基础,首先,将标签加噪数据进行多样性训练,将未标记样本输入训练好的模型,将输出值作为标签;再用基于伪标记样本的筛选和加权策略,挑选出高置信伪标记样本,与真实标记样本一同构成新的集合,以加权训练的方式更新模型;最后再利用相互学习策略增强分类器间的预测一致性,通过多样性微调和相互学习交替进行的方式,找到多样性和一致性的最佳平衡,提高伪标签预测的准确性。在MNIST、SVHN和CIFAR10数据集上的实验结果显示,所提出的方法能够有效纠正错误的伪标签,提升模型分类精度。